[AI]《COMPAS: Difficulty-Aware Joint Search for Optimizing Code Generation》J Gong, J M. Zhang, G Jahangirova, D Huang,… [King’s College London] (2026)

在代码生成领域，如何平衡大语言模型的生成质量与推理成本是一个悬而未决的难题。过去的方法受困于将模型选择、提示词工程与解码参数孤立优化，本质原因是忽视了这些变量之间复杂的非线性交互以及任务难度对配置偏好的显著影响。

本文的核心洞见是：把代码生成配置优化重新看作一个随任务难度动态变化的联合搜索问题。由此，通过低成本探测确定模型、再利用反射机制联合搜索提示词与参数空间，并为不同难度组别构建独立的帕累托前沿（Pareto Fronts）这一关键操作使问题得以解开。

这项工作真正留下的遗产是证明了“全局最优配置”在代码生成任务中的虚假性，提出了难度感知的异构优化范式。它为后来者打开的新门是跨模型、跨参数的自动化协同调优路径，但尚未跨过的门槛是如何在缺乏标注数据的冷启动场景下快速准确地对任务难度进行预判。

arxiv.org/abs/2608.04336 机器学习 人工智能 论文 AI创造营